論文の概要: Advanced Longitudinal Control and Collision Avoidance for High-Risk Edge Cases in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2504.18931v1
• Date: Sat, 26 Apr 2025 14:17:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.053539
• Title: Advanced Longitudinal Control and Collision Avoidance for High-Risk Edge Cases in Autonomous Driving
• Title（参考訳）: 自律運転における高リスクエッジ症例の高度縦方向制御と衝突回避
• Authors: Dianwei Chen, Yaobang Gong, Xianfeng Yang,
• Abstract要約: 本稿では,緊急制動と適応巡航を統合した新しい長手方向制御・衝突回避アルゴリズムを提案する。 シミュレーションされた高リスクシナリオでは、重任務車両を含む状況においても、このアルゴリズムは衝突を効果的に防止する。 3台の車両が減速する典型的な高速道路のシナリオでは、提案されたDRLアプローチは、標準の連邦高速道路管理局の速度概念をはるかに上回る99%の成功率を達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advanced Driver Assistance Systems (ADAS) and Advanced Driving Systems (ADS) are key to improving road safety, yet most existing implementations focus primarily on the vehicle ahead, neglecting the behavior of following vehicles. This shortfall often leads to chain reaction collisions in high speed, densely spaced traffic particularly when a middle vehicle suddenly brakes and trailing vehicles cannot respond in time. To address this critical gap, we propose a novel longitudinal control and collision avoidance algorithm that integrates adaptive cruising with emergency braking. Leveraging deep reinforcement learning, our method simultaneously accounts for both leading and following vehicles. Through a data preprocessing framework that calibrates real-world sensor data, we enhance the robustness and reliability of the training process, ensuring the learned policy can handle diverse driving conditions. In simulated high risk scenarios (e.g., emergency braking in dense traffic), the algorithm effectively prevents potential pile up collisions, even in situations involving heavy duty vehicles. Furthermore, in typical highway scenarios where three vehicles decelerate, the proposed DRL approach achieves a 99% success rate far surpassing the standard Federal Highway Administration speed concepts guide, which reaches only 36.77% success under the same conditions.
• Abstract（参考訳）: Advanced Driver Assistance Systems (ADAS) と Advanced Driving Systems (ADS) は、道路の安全性向上の鍵であるが、既存の実装のほとんどは、後続の車両の挙動を無視することに集中している。 この不足は、特に中間車両が突然ブレーキをかけ、後続車両が応答できない場合に、高速で密集した交通量で連鎖反応の衝突を引き起こすことが多い。 この重要なギャップに対処するために,適応巡航と緊急制動を統合した新しい長手方向制御・衝突回避アルゴリズムを提案する。 深層強化学習を活用することで,先行車と後続車の両方を同時に行うことができる。 実世界のセンサデータを校正するデータ前処理フレームワークを通じて、トレーニングプロセスの堅牢性と信頼性を高め、学習されたポリシーが多様な運転条件に対応できるようにする。 シミュレーションされた高リスクシナリオ(例えば、高密度交通における緊急ブレーキ)では、重任務車両を含む状況においても、このアルゴリズムは衝突を効果的に防止する。 さらに、3台の車両が減速する典型的な高速道路のシナリオでは、提案されたDRLアプローチは、標準の連邦高速道路管理局の速度概念をはるかに上回る99%の成功率を達成し、同じ条件下ではわずか36.77%の成功しか達成していない。

関連論文リスト

• A Multi-Loss Strategy for Vehicle Trajectory Prediction: Combining Off-Road, Diversity, and Directional Consistency Losses [68.68514648185828]
  軌道予測は、自動運転車における計画の安全性と効率に不可欠である。 現在のモデルでは、複雑な交通規則と潜在的な車両の動きを完全に捉えることができないことが多い。 本研究は, オフロード損失, 方向整合誤差, ダイバーシティ損失の3つの新しい損失関数を紹介する。
  論文  参考訳（メタデータ） (2024-11-29T14:47:08Z)
• RACER: Epistemic Risk-Sensitive RL Enables Fast Driving with Fewer Crashes [57.319845580050924]
  本稿では,リスク感応制御と適応行動空間のカリキュラムを組み合わせた強化学習フレームワークを提案する。 提案アルゴリズムは,現実世界のオフロード運転タスクに対して,高速なポリシーを学習可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-07T23:32:36Z)
• Deep Reinforcement Learning for Advanced Longitudinal Control and Collision Avoidance in High-Risk Driving Scenarios [0.0]
  本研究では, 縦方向制御と衝突回避のための深部強化学習に基づく新しいアルゴリズムを提案する。 シミュレーションされた高リスクシナリオにおけるその実装は、従来のシステムが通常失敗する密集した交通で緊急ブレーキを伴い、衝突の可能性のある衝突を防ぐアルゴリズム能力を実証している。
  論文  参考訳（メタデータ） (2024-04-29T19:58:34Z)
• CAT: Closed-loop Adversarial Training for Safe End-to-End Driving [54.60865656161679]
  Adversarial Training (CAT) は、自動運転車における安全なエンドツーエンド運転のためのフレームワークである。 Catは、安全クリティカルなシナリオでエージェントを訓練することで、運転エージェントの安全性を継続的に改善することを目的としている。 猫は、訓練中のエージェントに対抗する敵シナリオを効果的に生成できる。
  論文  参考訳（メタデータ） (2023-10-19T02:49:31Z)
• Evaluation of Safety Constraints in Autonomous Navigation with Deep Reinforcement Learning [62.997667081978825]
  学習可能なナビゲーションポリシとして,セーフとアンセーフの2つを比較します。 安全なポリシは、制約をアカウントに含めますが、もう一方はそうではありません。 安全政策は、よりクリアランスの高い軌道を生成することができ(障害物によらず)、全体的な性能を犠牲にすることなく、トレーニング中に衝突を減らすことができることを示す。
  論文  参考訳（メタデータ） (2023-07-27T01:04:57Z)
• DenseLight: Efficient Control for Large-scale Traffic Signals with Dense Feedback [109.84667902348498]
  交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。 従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。 DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
  論文  参考訳（メタデータ） (2023-06-13T05:58:57Z)
• SafeLight: A Reinforcement Learning Method toward Collision-free Traffic Signal Control [5.862792724739738]
  アメリカの道路事故の4分の1は、信号のタイミングの問題により交差点で発生している。 安全強化強化学習法(SafeLight)を提案する。 本手法は交通の移動性を高めながら衝突を著しく低減することができる。
  論文  参考訳（メタデータ） (2022-11-20T05:09:12Z)
• Self-Awareness Safety of Deep Reinforcement Learning in Road Traffic Junction Driving [20.85562165500152]
  道路交通ジャンクションのシナリオでは、車両は通常、輸送環境から部分的な観察を受ける。 本研究では,3つのベースラインDRLモデル(DQN,A2C,PPO)の安全性評価を行った。 提案した自己認識注意-DQNは,交差点およびラウンドアバウンドシナリオにおける安全性を著しく向上させることができる。
  論文  参考訳（メタデータ） (2022-01-20T11:21:33Z)
• A Review of Autonomous Road Vehicle Integrated Approaches to an Emergency Obstacle Avoidance Maneuver [0.0]
  本原稿は緊急障害物回避操作(EOAM)に不可欠なシステムに焦点を当てている。 高速道路での走行のニュアンスを考慮しつつ、関連する各システムの最先端を識別する。
  論文  参考訳（メタデータ） (2021-05-20T01:11:26Z)
• Emergent Road Rules In Multi-Agent Driving Environments [84.82583370858391]
  運転環境の要素が道路ルールの出現の原因となるかを分析する。 2つの重要な要因が雑音知覚とエージェントの空間密度であることがわかった。 我々の結果は、世界中の国々が安全で効率的な運転で合意した社会道路規則を実証的に支持する。
  論文  参考訳（メタデータ） (2020-11-21T09:43:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。